Автоматизация рассмотрения индивидуальных цен
Автоматизированный workflow, который подтягивает профиль клиента и данные о товаре из CRM/1С, оценивает запрос по формализованной политике скидок, рассчитывает маржинальность и формирует рекомендацию. Запросы в рамках политики одобряются автоматически, остальные уходят на РОПа с готовой аналитикой.
←свайп→
Время ответа
-85%
Автоодобрение
60-70%
Время РОПа
-75%
Протухшие запросы
-88%
Конверсия
+15%
marke.tel · price-request-processor · rev. 01
С чем столкнулись
B2B-дистрибьютор получает 150–200 запросов в месяц на индивидуальные цены: «дайте скидку на объём», «у конкурента дешевле», «мы постоянный клиент». Менеджеры согласуют каждый с РОПом, РОП — с коммерческим директором. На это уходит 1–2 дня, клиент ждёт, конверсия падает, часть запросов «протухает».
150–200
запросов на скидки в месяц
1–2 дня
время согласования скидки
2–3 ч/день
РОП тратит на согласования
20%
запросов «протухают»
Исходная ситуация до внедрения
Что болит каждый день
- 01
Согласование занимает 1–2 дня
Клиент уходит к конкурентам, пока ждёт ответа
- 02
РОП тратит 2–3 часа в день на рутину
Вместо стратегических задач — ручные согласования
- 03
Нет системности
Кому какие скидки давали, какой эффект на маржу — непонятно
- 04
20% запросов «протухают»
Из-за долгого ответа клиент уже договорился с конкурентом
«РОПы бегают ко мне согласовывать скидки ежедневно. Согласовывать по наитию я не могу, приходится изучать вопрос, а пока изучаем — клиент уже выторговал скидку у других. Нам нужно какое-то решение, я чувствую, что мы теряем здесь деньги.»
Боли по результатам интервью с командой
Бизнес-задача
Что нужно построить
Построить систему, которая автоматически собирает данные о клиенте и товаре, оценивает обоснованность запроса на скидку, рассчитывает влияние на маржу и выдаёт рекомендацию — чтобы часть запросов одобрялись автоматически в рамках политики, а РОП тратил время только на исключения, при этом клиент получал ответ за часы, а не за дни.
Что мы сделали
Разработан автоматизированный workflow, который подтягивает профиль клиента и данные о товаре из CRM/1С, оценивает запрос по формализованной политике скидок, рассчитывает маржинальность и формирует рекомендацию. Запросы в рамках политики одобряются автоматически, остальные уходят на РОПа с готовой аналитикой.
marke.tel · price-request-processor · задача и решение
С чем к нам обратились
Заказчик
Коммерческий директор
«Отвечать клиентам за часы, а не за дни»
«Автоматически одобрять типовые запросы в рамках политики»
«Сохранить контроль над нестандартными случаями»
«Видеть системную картину: кому, какие скидки, с каким эффектом»
Требования заказчика
Исходный процесс
Запрос клиента
Email, звонок менеджеру, запрос в CRM
Менеджер проверяет
Текущие условия клиента и стандартную наценку
Запрос к РОПу
«Клиент X просит цену Y на товар Z» + обоснование
РОП изучает
Проверяет маржу, историю — 15–30 минут на запрос
Эскалация на КомДира
Для крупных скидок — ещё +1 день
Ответ клиенту
Через 1–3 дня. 20% запросов «протухают»
Нет системного учёта
Кому какие скидки, какой эффект на маржу, кто «любимчики»
←свайп→
Типичный путь согласования скидки до внедрения
Автоматизированный workflow
Запрос
- Менеджер создаёт запрос:
- клиент, товар, скидка, обоснование
Профиль клиента
- История заказов, объём за год
- Текущие условия, дебиторка
- Сегмент клиента
Данные о товаре
- Себестоимость, наценка
- Остатки, категория
Оценка запроса
- Соответствие политике скидок
- Сравнение с похожими кейсами
- Расчёт влияния на маржу
Рекомендация
- Одобрить / отклонить / встречное
- С объяснением
Правила автоодобрения
- Если в рамках политики
- Если маржа > порога
- → 60–70% запросов
РОП
- Видит только исключения
- Решает за 5 мин с готовой аналитикой
Интеграции
- Фиксирует решение, уведомляет менеджера
- Обновляет условия в 1С/CRM
Полный цикл: от запроса до обновления в 1С
Что делает AI
Оценка запроса
Проверка соответствия политике, сравнение с историей
политика: макс -12% для B запрошено: -15% статус: превышение
Расчёт маржи
Моделирование влияния скидки
при -15%: маржа 28% мин. порог: 25% статус: допустимо, но на грани
Рекомендация
Формирование решения с обоснованием
встречное: -10% маржа: 32% в рамках политики, клиент с потенциалом
Примеры решений по запросам
←свайп→
| Клиент | Скидка | Вердикт | Причина |
|---|---|---|---|
| ООО «Электрик» | -8% | Автоодобрено | В рамках политики для сегмента B, маржа >30% |
| ООО «ТехноПром» | -15% | Встречное -10% | Превышает лимит сегмента, но клиент ценный — компромисс |
| ИП Новиков | -20% | Отклонить | Новый клиент, нет истории, запрос явно завышен |
Функции AI и примеры работы
Данные и интеграции
rev. 01 · data flow schematic · price-request-processor
С чем столкнулись при внедрении
←свайп→
Политика скидок — «в головах»
ПроблемаФормализованной политики, как оказалось, не было. У каждого РОПа были свои наброски быстрого подсчёта допустимости скидки, а историю клиента никто никогда не вёл — «эти вроде часто покупают, давай согласуем». Автоматизировать нечего — формальных правил нет.
РешениеПровели дополнительный «этап 0» — извлечение политики из исторических данных...
- Выгрузили из CRM/1С все согласованные скидки за 12 месяцев (~1 500 решений)
- С ИИ проанализировали паттерны: какие скидки давали каким клиентам, при каких объёмах, на какие категории
- Сформировали черновик матрицы: сегмент клиента × категория товара × объём → допустимый диапазон скидки
- Провели 2 сессии с РОПом и коммерческим — валидировали, скорректировали, утвердили
Формализованная политика покрывает до 80% случаев. Остальные 20% — эскалация на РОПа, но уже с рекомендацией системы.
Срок решения — 5 рабочих дней
«Политические» скидки
ПроблемаЕсть клиенты, которым скидку дают не по экономике, а «потому что стратегический партнёр» или «потому что директор попросил». Система не должна их блокировать, но должна делать видимыми.
РешениеДобавили механизм override с контролем...
- Любой запрос за пределами политики можно одобрить вручную
- Система требует указать причину: «стратегический клиент», «вход в новый регион», «удержание от конкурента»
- Все override логируются отдельно с привязкой к ответственному
- Ежемесячный отчёт: сколько override, на какую сумму, кто инициировал, влияние на маржу
Политические решения остаются возможными, но становятся видимыми и подотчётными. Руководство видит реальную цену «стратегических» скидок.
Срок решения — 3 рабочих дня
Ключевые проблемы и их решения
Сравнительная таблица
←свайп→
| Метрика | Было | Стало | Δ |
|---|---|---|---|
| Время ответа клиенту | 1–2 дня | 2–4 часа | -85% |
| % автоодобрений | 0% | 60–70% | — |
| Время РОПа на запрос | 20 мин | 5 мин | -75% |
| «Протухших» запросов | 20% | 2–3% | -88% |
| Конверсия запросов в заказы | базовая | +15% | +15% |
Измеримые результаты внедрения